随着智能设备和社交媒体的飞速发展,互联网上的图像数据量爆炸式增长,因此通过计算机对这些数据进行自动地分析处理成为了非常迫切的需求。其中,图像物体检测和语义分割是计算机视觉领域的两个最基本的研究问题,学者们也已经进行了几十年的深入研究。物体检测技术的目标是用图像处理和模式识别的理论和方法来检测目标对象,确定这些物体的语义范畴,并标记物体在图像中的具体位置。语义分割描述了将图像的每个像素与类别标签关联的过程。语义分割是在像素级别理解图像,即我们希望为图像中的每个像素分配一个对象类。近年来,随着深度学习的快速兴起,在计算机视觉领域主要是卷积神经网络(ConvolutionalNeural Networks,CNN),检测和分割性能已经取得了一系列重大突破,在一些任务中甚至超过了人类视觉。这些基于(CNN的物体检测方法大都基于似物性采样,通过低层视觉特征快速提取似物性物体,然后通过CNN对其进行语义分类,然而现有的似物性采样方法定位不够准确,采样窗口也存在较大冗余。在语义分割方面,现有基于CNN的方法大都需要像素级的标注数据用于网络监督,而这种标注数据的获取非常耗时耗力。为此,本文通过研究以下内容来改进以上问题:1.提出了一种闭合轮廓显著性检测方法,并将其用于似物性采样窗口的定位精度修正。通过对采样窗口进行多尺度的放大,可以更好地将窗口中物体检测出来,得到显著性图后,只需简单地将其二值化就可以对其进行修正。最后,在利用显著性值之和对各个修正后的采样窗口进行排序输出似物性得分最高的窗口。通过在PASCAL VOC 2007测试数据集中的实验结果表明,现有的似物性采样方法经过修正后,定位精度都得到了较大幅度地提升,尤其是在高IoU下。2.对现有无监督似物性采样方式的有效性和生成能力进行了对比。通过现有的PASCAL VOC 2007公开数据集实验,对似物性采用重采样方法进行了对比性研究以及对取得最好精确度效果的方法进行说明。有了上述似物性采样窗口的重采样方法,非极大值抑制可以更好地去除采样出来的冗余窗口,有利于后续的物体检测任务。因此,可以取得高质量的似物性采样窗口和高速的检测效率。3.提出基于区域物体检测的一种简明语义分割方法,该方法仅仅在训练物体检测器时用到基于边界框级别的标注,在保证性能的同时对数据集的标注要求更低,因而还可以通过增加数据集规模进一步提升分割性能。在PASCAL VOC 2012验证数据集上实验结果表明,提出的方法可以和一些全监督学习方法相媲美,也可以在物体边缘处得到更加锐利的轮廓等细节。